<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Leo00000001的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Leo00000001</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Leo00000001]]></copyright><item><title><![CDATA[「ML」Chap4决策树]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/75332394</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/75332394</guid><author>Leo00000001</author><pubDate>Wed, 19 Jul 2017 01:21:17 +0800</pubDate><description><![CDATA[决策树 
1. 划分选择： 
1.1 信息增益(ID3) 
信息熵的定义： 
Ent(D)=−∑k=1|y|pklog2pk
Ent(D) = -\sum_{k=1}^{|y|}p_klog_2p_k
 
Ent(D)越小，纯度越高 
信息增益(information gain) 
Gain(D,a)=Ent(D)−∑v=1V|Dv||D|Ent(Dv)
Gain(D, a) = Ent(D) -]]></description><category></category></item><item><title><![CDATA[每日vim系列0716]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/75213599</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/75213599</guid><author>Leo00000001</author><pubDate>Mon, 17 Jul 2017 00:59:06 +0800</pubDate><description><![CDATA[:tabe 新建标签页 
:tab file 在新标签页中打开 
:tab split 在新标签页中打开当前窗口(缓冲区)的文件 
:tab *.txt 正则匹配打开，只能打开一个文件列出标签页 
:tabs 列出所有标签切换标签页 
:tabn 移动到一个标签页 
:tabp 移动到上一个标签页 
gt    等效于:tabn 
gT    等效于:tabp 
:tabfirst  移到第一个标签]]></description><category></category></item><item><title><![CDATA[每日vim系列0713]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/75051840</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/75051840</guid><author>Leo00000001</author><pubDate>Thu, 13 Jul 2017 14:05:31 +0800</pubDate><description><![CDATA[在查找替换时，有时候需要设置忽略大小写和高亮，这时 
:set ignorecase 
:set hlsearch 
另外还有一些文件的高级操作： 
:w filename：将缓冲区内容保存为filename文件，原文件内容不更改。 
:20,$w filename：将文件20行处到结尾保存为filename文件:20,30w >> filename：追加20至30行内容到new_file文件中]]></description><category></category></item><item><title><![CDATA[每日vim系列0712]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/75022058</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/75022058</guid><author>Leo00000001</author><pubDate>Wed, 12 Jul 2017 16:07:00 +0800</pubDate><description><![CDATA[用了vim好久，算是从中survive了，但是高级用法还是不是很懂。所以开了这么个系列用于督促自己每天学习新的命令。 
1.多个文件 
:saveas filename将文件另存为 
:bp :bn   上一个、下一个文件 
2.对于单词 
   以前一直用ves去删除一个单词，替换命令cw 
   gU+定位符，如gUe将光标到单词末尾的字母全部转成大写， 
   gu +定位符 
   dt”]]></description><category></category></item><item><title><![CDATA[「ML」chapter3:线性模型]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/74908043</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/74908043</guid><author>Leo00000001</author><pubDate>Mon, 10 Jul 2017 01:19:10 +0800</pubDate><description><![CDATA[基本形式f(x)=ω1x1+ω2x2+...+ωdxd+b
f(x) = \omega_1 x_1+ \omega_2 x_2 + ... + \omega_d x_d +b
  
写成向量模式： 
f(x)=ωTx+b
f(x) = \omega^Tx + b
线性回归均方误差最小化，可以求出解析解。在引入多变量时，特征矩阵X往往不是满秩矩阵，这时可以有多组参数解，选择那个解作为输出，有学习算法的]]></description><category></category></item><item><title><![CDATA[「ML」chapter2模型选择与评估]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/74891126</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/74891126</guid><author>Leo00000001</author><pubDate>Sun, 09 Jul 2017 15:53:05 +0800</pubDate><description><![CDATA[经验误差和过拟合
经验误差 
学习器在训练集上的误差称为经验误差 
2.过拟合 
学习器的经验误差降低，同时泛化性能也跟着下降。
评估方法划分训练集和测试集 
1.留出法 
数据划分成互斥的两组，并尽可能保证数据分布的一致性，避免因为划分过程引入的偏差而对结果产生影响。 
同时，单次使用留出法得到的估计结果往往不够稳定，一般采用若干次随机划分，重复实验评估。 
2. 交叉验证法 
分成k组大小相似的]]></description><category></category></item><item><title><![CDATA[[leetcode]629. K Inverse Pairs Array]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/74537840</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/74537840</guid><author>Leo00000001</author><pubDate>Thu, 06 Jul 2017 13:56:48 +0800</pubDate><description><![CDATA[这道题可以根据题意，构造递归式，根据排列的最后一位是第几大的数可以得出递归式： 
d[n,k] = d[n-1,k]+d[n-1,k-1]+d[n-1,k-2]+… 
区别n和k的大小，保证不越界，即可。另外注意结果要mod(1e9+7)，一定要注意读题啊。 
solution:class Solution {
public:
    int kInversePairs(int n, int k)]]></description><category></category></item><item><title><![CDATA[比赛总结]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/73841231</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/73841231</guid><author>Leo00000001</author><pubDate>Wed, 28 Jun 2017 14:26:07 +0800</pubDate><description><![CDATA[有一个半月没有写博客了，一来是因为实习的工作量一下变多了，第二是因为在打Tencent的比赛，虽然接触比赛很久，但是这个比赛应该算是我第一个用心从头到尾打的一个比赛。就大致记录一下感悟吧。特征工程首先这一点是任何数据挖掘比赛少不了的，而在这一点上我的能力是非常欠缺的，特征显然是很重要的，但是这次比赛我们欠缺的不单单是这一点，还有更多欠缺的东西需要学习和弥补。问题
抽样 
这个比赛的复赛阶段数据量很大]]></description><category></category></item><item><title><![CDATA[决策树]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/71793402</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/71793402</guid><author>Leo00000001</author><pubDate>Sat, 13 May 2017 11:56:03 +0800</pubDate><description><![CDATA[决策树的实现代码class DecisionNode(object):
    def __init__(self, feature_i=None, threshold=None,
                 value = None, true_branch=None, false_branch=None):
        self.feature_i = feature_i]]></description><category></category></item><item><title><![CDATA[pandas join merge]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/71643060</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/71643060</guid><author>Leo00000001</author><pubDate>Thu, 11 May 2017 17:20:21 +0800</pubDate><description><![CDATA[SQL里面的连接在pandas里面是pd.merge,而用pd.DataFrame.join()和pd.merge的效果如何，达到一致呢？
Examples
--------
>>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'],
...                        'A': ['A0', 'A]]></description><category></category></item><item><title><![CDATA[Python函数代码移植]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/71617463</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/71617463</guid><author>Leo00000001</author><pubDate>Thu, 11 May 2017 13:02:29 +0800</pubDate><description><![CDATA[函数体的code属性，存储着函数的参数运行过程等，做了一个探索。def funa(abc):
    print str(a)
def funb():
    print 'funb'
funb.__code__ = funa.__code__
funb('abc')屏幕显示：abc]]></description><category></category></item><item><title><![CDATA[适应Mac之搞定文件目录操作]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/71552373</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/71552373</guid><author>Leo00000001</author><pubDate>Wed, 10 May 2017 17:05:54 +0800</pubDate><description><![CDATA[Mac里面的文件路径是一个比较烦的事情。不像windows那样可以直接看到，有时候要移动文件，连个剪切都没有，想打开终端用命令行移动吧，它又不能在当前路径下打开终端。解决方案
查看路径：右键点击文件夹名，按顺序展示的就是上级目录，上上级目录… 设置在当前目录打开终端，左上角Finder->服务->服务偏好设置->勾选 “新建位于文件夹位置的终端窗口”
退到当前文件夹的上一层文件夹：比如在桌面打开终端]]></description><category></category></item><item><title><![CDATA[Adaboost算法]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/71420094</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/71420094</guid><author>Leo00000001</author><pubDate>Mon, 08 May 2017 15:29:12 +0800</pubDate><description><![CDATA[算法思路Adaboost是将弱分类器进行组合的算法。在这里弱分类器采用DecisionStump，通过迭代产生一系列的DecisionStump分类器，然后以一定权重进行组合。需要注意的是Adaboost正负样本一+1，-1表示，不是0、1。训练过程1.设置样本权重向量WW 
2.计算得到当前最优的DecisionStump分类器 
3.计算当前误分类率ϵ=∑W(h)\epsilon = \sum{]]></description><category></category></item><item><title><![CDATA[Mac上安装MySQLdb(mysql-python)]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/71404491</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/71404491</guid><author>Leo00000001</author><pubDate>Mon, 08 May 2017 11:23:28 +0800</pubDate><description><![CDATA[mac上安装mysqldb用于连接mysql数据库实验环境MacOS Sierra步骤1.前提需要安装mysql,留意安装路径。我这的安装路径为/usr/local/Cellar/mysqlbrew install mysql2.安装mysqldbpip install mysql-python3.修改环境变量。打开~/.bash_profile,添加下列几行：PATH="/usr/local/Ce]]></description><category></category></item><item><title><![CDATA[[DP] 576Out of boundary path]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/71380396</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/71380396</guid><author>Leo00000001</author><pubDate>Mon, 08 May 2017 00:16:08 +0800</pubDate><description><![CDATA[题意不再赘述，大致解法是用动态规划。 
N等于来自于4个方向N-1的解的和Solution方案：class Solution {
public:
    int findPaths(int m, int n, int N, int i, int j) {
        int dp[51][50][50];
        for(int Ni=1;Ni<=N;Ni++){]]></description><category></category></item><item><title><![CDATA[FM和FFM原理]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/71330927</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/71330927</guid><author>Leo00000001</author><pubDate>Sun, 07 May 2017 15:40:34 +0800</pubDate><description><![CDATA[模型用途FM和FFM，分解机，是近几年出的新模型，主要应用于广告点击率预估（CTR），在特征稀疏的情况下，尤其表现出优秀的性能和效果，也数次在kaggle上的数据挖掘比赛中拿到较好的名次。FM原理特征编码时常用的one-hot编码，会导致特征非常稀疏（很多0值）。常用的特征组合方法是多项式模型，模型表达式如下： 
y(x)=w0+∑i=1nwixi+∑i=1n∑j=i+1nwijxixj
y(x)]]></description><category></category></item><item><title><![CDATA[[Array]495.Teemo Attacking]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/71225008</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/71225008</guid><author>Leo00000001</author><pubDate>Fri, 05 May 2017 18:53:00 +0800</pubDate><description><![CDATA[Example 1:Input: [1,4], 2
Output: 4
Explanation: At time point 1, Teemo starts attacking Ashe and makes Ashe be poisoned immediately. 
This poisoned status will last 2 seconds until the end of time poi]]></description><category></category></item><item><title><![CDATA[[Array] 560Subarray sum Equal k]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/71217668</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/71217668</guid><author>Leo00000001</author><pubDate>Fri, 05 May 2017 17:50:56 +0800</pubDate><description><![CDATA[Given an array of integers and an integer k, you need to find the total number of continuous subarrays whose sum equals to k.Example 1: 
Input:nums = [1,1,1], k = 2 
Output: 2Solution方法1：暴力解法for (int i]]></description><category></category></item><item><title><![CDATA[Mac终端多窗口tmux]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/71191576</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/71191576</guid><author>Leo00000001</author><pubDate>Fri, 05 May 2017 10:08:09 +0800</pubDate><description><![CDATA[配置git]]></description><category></category></item><item><title><![CDATA[Mac hadoop伪分布式安装]]></title><link>https://blog.youkuaiyun.com/Leo00000001/article/details/71178751</link><guid>https://blog.youkuaiyun.com/Leo00000001/article/details/71178751</guid><author>Leo00000001</author><pubDate>Thu, 04 May 2017 20:18:19 +0800</pubDate><description><![CDATA[原地址1 
原地址2 
Hadoop on Mac 
在Mac OS x 10.11.6以下操作基于Hadoop 2.8.0， 
环境：Java version 1.8.01.开启ssh和远程登陆 
- 偏好设置－>共享－>远程访问－>允许所有人ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa
cat ~/.ssh/id_dsa.pub >>~/.ssh/author]]></description><category></category></item></channel></rss>